AbideGym：将静态 RL 世界转化为自适应挑战
机器学习
2025-09-26 v1 多智能体系统
摘要
使用强化学习训练的智能体往往会发展出脆弱的策略，在动力学发生变化时会失败，这一问题因静态基准测试的存在而被放大。AbideGym 是一个动态 MiniGrid 包装器，引入智能体感知的扰动和可扩展的复杂度，以强制在每一回合内适应。通过暴露静态策略的弱点并促进韧性，AbideGym 提供了一个模块化、可复现的评估框架，用于推进课程学习、持续学习和稳健泛化研究。
引用
@article{arxiv.2509.21234,
title = {AbideGym: Turning Static RL Worlds into Adaptive Challenges},
author = {Abi Aryan and Zac Liu and Aaron Childress},
journal= {arXiv preprint arXiv:2509.21234},
year = {2025}
}